本发明涉及机械故障诊断领域，具体为一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法。
背景技术：
1、在机械设备运行过程中，滚动轴承负责转子的空间固定，不仅要承受交变应力的影响，还要承受机构产生的大部分静载荷和动载荷。此外，滚动轴承面临的工作环境往往非常恶劣，包括高速、高温、高压、重载和变速。当机械设备在这样的工作环境下长时间运行时，滚动轴承的故障率就远高于其他部件。它给生产者和社会造成巨大的经济损失。因此，提出一种可行的滚动轴承故障诊断方法具有重要的现实意义。
2、许多学者对信号降噪进行了大量的研究。其中，变分模态分解法(vmd)因其可以有效地消除模态混叠，并且能较好地避免端点效应，而被广泛的应用于机械故障诊断中。然而，vmd方法的效果并不稳定，基于主观因素人为设定的众多参数都会影响最终效果，其中比较重要的参数有分解层数k和惩罚因子α，这两个参数影响到vmd的分解效果最为明显，当k值取值过小，会出现“欠分解”现象，若α取值过小，就会出现模态混叠现象，反之亦然，当k值取值过大时，会出现“过分解”现象，若α取值过大，会出现虚假分量现象。
3、为了减少噪声干扰，目前主流的故障诊断方法采用智能优化算法来优化vmd参数结合各种imf分量筛选标准，但在使用优化算法时，仍然存在参数范围设置不合理，并且存在错误筛选imf分量，去掉了部分有用信号的情况，导致的过度降噪等问题。因此，优化vmd参数时设置合适的imf分量参数范围和筛选标准是当前亟待解决的问题。
技术实现思路
1、本发明目的在于提供一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，改善旋转机械早期微弱缺陷容易被掩盖以及在噪声环境下早期缺陷诊断困难的问题，从而为在强噪声环境下对旋转机械早期故障诊断提供科学依据，为保障人民生命财产安全提供可靠支撑。
2、为达成上述目的，本发明提出如下技术方案：一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，包括以下步骤：
3、步骤1，输入旋转机械振动信号；
4、步骤2，通过中心频率法得到vmd分解层数k值的范围，并设置好惩罚因子α的范围；
5、步骤3，以最小样本熵作为适应度函数，运用改进后的麻雀优化算法ocssa对vmd进行参数寻优，得到[k，α]最优组合；
6、其中，改进后的麻雀优化算法ocssa包括定义样本熵和改进策略，定义样本熵为：其中bm(r)是两个序列在相似容限r下匹配m个点的概率，而am(r)是两个序列匹配m+1个点的概率；
7、改进策略包括采用改进的tent混沌映射，初始化种群的多样性，针对tent混沌序列在迭代时落入小周期点和不稳定周期点的问题，在原有的tent混沌映射表达式上引入一个随机变量rand(0，1)/n，改进后的tent混沌映射表达式如下：
8、
9、其中，i表示映射次数，xi代表第i次映射的函数值。rand(0，1)表示随机数；
10、采用鱼鹰优化算法在第一阶段的全局勘探策略替换原始麻雀算法的探索者位置更新公式，表达式如下：
11、
12、式中：1，为第i只鱼鹰在第一阶段时，其第j维的新位置；xi,j为个体；sfi，j为[0，1]之间的随机数，ii,j为集合{1，2}中的随机数；
13、采用柯西变异策略替换原始麻雀算法的跟随者位置更新公式，表达式如下：
14、
15、其中，cauchy(0,1)为标准柯西分布。⊕表示相乘含义。
16、步骤4：基于[k，α]的最优组合，对振动信号进行vmd信号分解，得到若干imf分量；
17、步骤5：根据各imf分量的相关性系数、峭度指标筛选出最具故障特征信号成分的imf分量，再对imf分量进行重构；
18、步骤6：将筛选出的数据特征输入cnn-bilstm网络进行故障诊断。
19、进一步的，在本发明中，所述步骤2中具体操作如下：首先，将惩罚因子α设置为默认值1000，分别对k取2到10的正整数时进行vmd分解，得到imf分量并计算各中心频率；其次，计算最后一个imf分量之间的中心频率误差，将最终连续出现中心频率误差在0.01以内范围的k值确定为最佳的k值范围；最后，确定惩罚因子α的搜索范围设置。
20、进一步的，在本发明中，所述k个模态的中心频率公式为：
21、
22、其中，p(f)是功率谱密度函数，f是频率变量。
23、进一步的，在本发明中，步骤3中，按照设定好的警戒者比例随机选取麻雀个体，并更新警戒者位置，公式如下；
24、
25、其中，表示n+1代中最优发现者的位置；x”表示当前n代中全局最差个体的位置；a+表示一个1xdim的矩阵，矩阵中的每单元为随机分配的-1和1，且a+＝a(aat)-1；
26、根据贪婪规则，更新最佳适应度值及最佳位置；若未达到最大迭代次数，则返回重新展开迭代；若达到最大迭代次数，则输出最优权值和最优阈值。
27、进一步的，在本发明中，所述步骤4中，计算这个最佳imf分量的9种时域指标，包括：均值、方差、峰值、峭度、有效值、峰值因子、脉冲因子、波形因子、裕度因子和构建特征向量。
28、有益效果，本技术的技术方案具备如下技术效果：
29、1、本发明创新性地使用改进tent映射初始化种群，用鱼鹰优化算法在第一阶段的全局勘探策略替换原始麻雀算法的探索者位置更新公式，用柯西变异策略替换原始麻雀算法的跟随者位置更新公式，多策略结合，提出了一种融合改进麻雀搜索算法，本发明将ocssa用于优化vmd参数，在对模型超参数优化时，ocssa有极快的收敛速度和极高的测试精度。该方法可以在没有先验知识的情况下获取vmd的最优参数，提升了算法效率，避免了人工筛选参数，并且具有更高的诊断精度和稳定性，极大增强了诊断模型的泛化性与智能化水平。
30、2、本发明基于cnn-bilstm模型搭建轴承故障诊断模型，并利用多策略融合改进麻雀搜索算法((osprey-cauchy-sparrow search algorithm，ocssa)对vmd参数进行优化，避免人工筛选参数引入的主观误差并且具有更高的诊断精度和稳定性，进一步优化模型的超参数。其中，本发明针对麻雀搜索算法在初始化时种群分布不均，种群多样性较差；发现者的位置更新方式具有一定的局限性，无法平衡全局搜索能力和局部挖掘能力，容易出现次优解的问题。且当预警值小于所设定的安全阈值时，发现者的搜索能力将会随着算法的迭代次数的增加而慢慢降低，导致算法的空间搜索区域不足，算法收敛效率较低；最差和最优麻雀个体缺乏交流反馈，容易陷入局部最优解的问题。
31、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
32、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
1.一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，其特征在于：所述步骤2中具体操作如下：首先，将惩罚因子α设置为默认值1000，分别对k取2到10的正整数时进行vmd分解，得到imf分量并计算各中心频率；其次，计算最后一个imf分量之间的中心频率误差，将最终连续出现中心频率误差在0.01以内范围的k值确定为最佳的k值范围；最后，确定惩罚因子α的搜索范围设置。
3.根据权利要求1所述的一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，其特征在于：所述所述模态数k公式为：
4.根据权利要求1所述的一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，其特征在于：步骤3中，按照设定好的警戒者比例随机选取麻雀个体，并更新警戒者位置，公式如下；
5.根据权利要求1所述的一种改进ocssa-vmd-cnn-bilstm的旋转机械故障诊断方法，其特征在于：所述步骤4中，计算这个最佳imf分量的9种时域指标，包括：均值、方差、峰值、峭度、有效值、峰值因子、脉冲因子、波形因子、裕度因子和构建特征向量。
